自動檢測技術在制造業(yè)中的應用

自動檢測的形式多種多樣在各行各業(yè)中均有應用

Teledyne DALSA的Genie Nano像機能滿足Kibele-PIMS所有的分辨率和速率要求。此外，其可靠性高、耐用性強，可應付惡劣的工業(yè)環(huán)境。

自動檢測技術改變了制造業(yè)，由其是對于半導體芯片或鋰離子電池等體積雖小但價值昂貴的產(chǎn)品制造有著深遠影響。自動檢測對制造業(yè)至關重要，可用于判斷部件是否符合質量標準，如果發(fā)現(xiàn)不符合部件則剔除，從而確保成品質量。除探傷外，還可進行定位、識別、驗證和測量工作。

自動檢測在制造業(yè)中的常見應用包括檢測微芯片和變壓器等微小部件中的潛在異常，通過平板檢測發(fā)現(xiàn)電視和電腦屏幕中的劃痕或其他微小缺陷。該視覺系統(tǒng)還利用類似的攝像技術檢測其他平面物體，如太陽能電池板，以及食品和飲料等物品。通過使用近紅外（NIR）等特定波長和歸一化植被指數(shù)（NDVI）等技術，可以探測到僅由可見光無法觀測到的細節(jié)。自動檢查的一個重要優(yōu)勢是可以快速發(fā)現(xiàn)問題。在生產(chǎn)過程中，在后期進行故障修復的成本更高，因此及早發(fā)現(xiàn)并糾錯至關重要。

除制造業(yè)外，自動檢測還廣泛應用于生命科學和制藥領域，包括降低交叉污染概率以及識別細胞異常。

什么是自動檢測

自動檢測使用數(shù)字或計算機輔助檢測進行測量和分析部件。自動化可用于物體控制、測量數(shù)據(jù)收集或組件評估。

自動檢測可分為多個種類，其中一種為自動光學檢測（AOI），其作用是進行視覺檢測。AOI系統(tǒng)可在一秒內獲取數(shù)百萬個數(shù)據(jù)點，用于視覺檢測和精密測量。盡管AOI通常被稱為印刷電路板（PCB）檢測系統(tǒng)，但該技術幾乎可用于任何需要進行視覺檢測的地方。

AOI系統(tǒng)依靠機器視覺來執(zhí)行檢測流程。機器視覺利用成像技術（攝像頭或傳感器）從周圍環(huán)境中獲取視覺信息。然后利用硬件和軟件對圖像進行處理，將處理好的信息用于各種應用中。機器視覺技術一般根據(jù)具體需求使用專用攝像頭或傳感器來獲取圖像。根據(jù)應用情景選擇最合適的相機，常見的相機接口包括可直接插入主機設備的USB3和GigE，而CXP和CLHS則需要連接圖像采集卡提高成像速度。隨后利用圖像數(shù)據(jù)處理、分析和測量圖像特征。

隨著機器視覺相機的不斷發(fā)展，分辨率越來越高，以及更先進的移動物體捕捉技術，自動檢測變得越來越精確和完善。軟件和處理算法也在不斷改進，人工智能（AI）和深度學習的應用日益廣泛，對自動檢測有著深刻影響。

AOI集光學元件、機械、電子控制和軟件于一體，可取代人眼進行視覺檢測，協(xié)助進行質量控制。

其工作原理是由機器視覺相機和光源捕捉被檢測物體的圖像。該過程類似于人眼觀察物體，但相機可以捕捉到更多細節(jié)，并永久記錄下圖像，并從中進行學習。之后圖像分析軟件會對圖像進行檢查，并將其與被檢測物體的外觀標準進行比較。這就好比人腦識別零件并判斷其是否正?！浖梢源_保每次都做出一致的決定。

人工視覺檢測通常被拿來與自動光學檢測進行對比。利用計算機檢測，該技術可以更快地檢測物品，并獲得更一致、更可靠的結果。而且，與人類不同的是，計算機永遠不會感到疲倦，永遠不需要休息，也不介意一遍又一遍地重復相同的工作。

由于印刷電路板或其他微小元件體積小、結構復雜、細節(jié)精細，僅通過人眼無法對其進行有效檢查。隨著電路板越做越小、越來越復雜，即使一塊相對簡單的電路板也可能由數(shù)千個元件組成。與人類視覺檢測進行對比有助于我們進一步了解這個過程，在部分行業(yè)仍在保持著人工檢測。

哪些行業(yè)采用自動檢測

自動檢測技術主要運用于半導體芯片等超小型部件的制造過程中，但對于汽車發(fā)動機或變速箱中的許多鍛造和機加工部件等較大型設備來說，自動檢測并不常見。據(jù)Metrology News報道，只有約20%的制造現(xiàn)場依靠自動化流程來檢測大中型零件，這對制造廠商來說是個不小的問題。

若要對此類的制成品進行自動檢測，就必須能夠在高速運轉的情況下精確地測量出不規(guī)則度，同時完全不受工廠車間環(huán)境光線的影響。但直到最近才出現(xiàn)了符合要求的在線測量設備，因此制造商在進行此類檢測時仍然主要依靠人眼。隨著自動檢測設備的不斷發(fā)展，大型部件制造商將逐漸轉為自動檢測。

從半導體和消費電子產(chǎn)品，到汽車和航空航天，再到生物技術和基因組學，自動檢測有助于提高產(chǎn)品安全性和質量。

每個包裝站一開始會通過一個相機讀取包裝箱上的條形碼，然后根據(jù)條碼對產(chǎn)品類型進行分類，并將其分配到相應的傳送帶上

AOI的優(yōu)勢是什么

制造商通常會與系統(tǒng)集成商合作，為其應用開發(fā)特定的AOI系統(tǒng)，集成各種組件，并對制造商進行培訓。AOI系統(tǒng)為公司帶來了許多好處，包括：

提高生產(chǎn)率

自動化檢測可實現(xiàn)全天候批量生產(chǎn)

持續(xù)可用

系統(tǒng)可一天24小時工作

速度快

可實現(xiàn)較高的檢測速度和產(chǎn)量

準確、精準、可靠、一致

可以通過編程來識別精確的細節(jié)，并以恒定、持續(xù)的速度準確、可靠地完成任務

適應性高、可編程性強

可以快速、輕松地適應各類產(chǎn)品和表面，并可進行遠程編程和監(jiān)控

長期成本降低

進行初始投資后，AOI可帶來長期成本效益

改善安全與工作條件

自動檢測系統(tǒng)消除了安全問題和人工檢測人員繁瑣的重復性工作，讓員工有機會把時間投入到價值更高的工作中

提升產(chǎn)品質量

最終目標是生產(chǎn)出更安全、壽命更長、不易損壞的高質量產(chǎn)品

配合AI和深度學習的應用，AOI的這些優(yōu)勢將更加明顯。通過AI，系統(tǒng)可以不斷“學習”，利用不斷完善的數(shù)據(jù)集更新訓練模型，從而提高性能。AI軟件還能使檢測系統(tǒng)的編程更加直觀。

利用AI和深度學習進一步完善檢測工作

隨著AI和深度學習技術的出現(xiàn)，自動檢測得到進一步完善。其核心為軟件、新的深度學習技術、并行處理能力和易用性工具。AI用于訓練機器視覺系統(tǒng)，以識別缺陷和異常。

傳統(tǒng)的圖像處理軟件依賴于特定任務的算法，需要數(shù)百甚至數(shù)千張高質量的人工分類圖像來訓練系統(tǒng)。但如今，深度學習軟件僅需對少數(shù)圖像進行分類，并且提高了可預測性。此外，通過訓練有素的AI視覺系統(tǒng)，軟件可以快速識別圖像中的變動，而傳統(tǒng)的機器視覺系統(tǒng)則有可能漏過的錯誤。

有一種新型深度學習分類技術叫做異常檢測，即僅使用優(yōu)良示例來訓練網(wǎng)絡。從而讓網(wǎng)絡可以識別正常數(shù)據(jù)，并將數(shù)據(jù)集之外的數(shù)據(jù)都視為異常數(shù)據(jù)。異常檢測工具可擴大深度學習的應用范圍。異常檢測有助于減少訓練系統(tǒng)所需的工程工作。收集好數(shù)據(jù)后，即使是非專業(yè)人士也能對系統(tǒng)進行培訓，從而大大降低成本?，F(xiàn)在的深度學習軟件比其他任何傳統(tǒng)算法都能更好地對圖像進行分類。但對于可預測性很強、變化不大的檢測，最好還是使用傳統(tǒng)視覺算法，以降低系統(tǒng)工作量。

檢查太陽能電池板、茶葉包裝和鋰電池

為了說明自動檢測的實際運用情況，以下舉了三個應用實例，可以看出該技術的廣泛應用及其優(yōu)勢。

自動化檢測在太陽能電池板制造中起著至關重要的作用。與電子制造領域一樣，太陽能電池板的全球主要制造商均已實現(xiàn)100%的自動檢測，其他行業(yè)也在向自動檢測轉型。微裂縫檢測非常重要，因為此類故障可能導致整個太陽能電池板碎裂，對其他電池板和設備造成損害，進而產(chǎn)生昂貴的停機清理和維修費用。

在其伊斯坦布爾食品包裝廠內，Kibele-PIMS已經(jīng)為聯(lián)合利華的兩家公司家樂（Knorr）和立頓（Lipton）開發(fā)并調試了兩套先進的全自動化系統(tǒng)，利用機器人對湯料和茶葉紙箱進行識別、分揀，然后碼放在托盤上。采用全自動化解決方案以前，食品包裝需要通過人工揀選，是一項非常繁瑣的工作。現(xiàn)在紙箱送達間隔時間僅需1.5到2秒，從而大大提高了生產(chǎn)效率，并降低了錯誤率。

鋰離子電池（LIB）廣泛應用于智能手機、平板電腦、電動工具等設備，需求量最大的是電動汽車。在電力系統(tǒng)中，電池故障會帶來多重危險，因此自動檢測至關重要。最好能在生產(chǎn)過程中早期發(fā)現(xiàn)問題，以免浪費時間和資源。根據(jù)經(jīng)驗，制造商們認為，缺陷識別的級別最好保持在50微米以下乃至10微米。

自動檢測的形式多種多樣，在各行各業(yè)中均有應用。對于高價值產(chǎn)品（如半導體、鋰離子電池和太陽能電池板）而言，由于漏查可能大大增加材料成本，因此AOI能帶來更直接的投資回報。自動光學檢測在其他行業(yè)同樣能夠發(fā)揮較大優(yōu)勢，減少誤差、提高總體質量、提高生產(chǎn)率并增加盈利能力。隨著AI與深度學習的融入，自動檢測技術有望在未來幾年得到進一步完善。

來源：新機器視覺沙龍

審核編輯：湯梓紅